قدم باحثون من University of Alberta ورقة بحثية بعنوان PPAPlace: Differentiable Cross-Stage Objectives for Chip Placement Optimization، تقترح طريقة لتحسين مواضع الوحدات الكبيرة والخلايا القياسية في تصميم الشرائح عبر التنبؤ بمؤشرات الأداء النهائية بعد التوصيل، بدلاً من الاعتماد على مقاييس مبكرة لا تعكس النتيجة الفعلية بدقة.
تركز المشكلة على أن مرحلة placement تؤثر مباشرة في الأداء والطاقة والمساحة، المعروفة اختصاراً بـPPA. وتستخدم معظم أساليب placement طول السلك المحيط بنصف المحيط، أو HPWL، هدفاً رئيسياً للتحسين. لكن الورقة تشير إلى أن المقارنات الحديثة أظهرت ارتباطاً شبه معدوم بين HPWL ومؤشرات التوقيت النهائية، ومنها أسوأ انحراف سالب (WNS) وإجمالي الانحراف السالب (TNS).
من المقاييس المبكرة إلى نتائج ما بعد التوصيل
بحسب الملخص، أدى هذا الانفصال بين هدف التحسين والنتيجة النهائية إلى تراجع مؤشرات PPA لدى أدوات placement قائمة على الذكاء الاصطناعي مقارنة بخط أساس هرمي. كما فحص الباحثون دقة التسميات في عشر دوائر وعبر أربع مراحل من تدفق التصميم، وخلصوا إلى أن HPWL ومقاييس التوقيت قبل التوصيل لا يمثلان ترتيب التوقيت بعد التوصيل تمثيلاً جيداً.
ووجدت الدراسة أن مرحلة post-global-routing توفر توازناً أفضل بين دقة التنبؤ بالتوقيت النهائي وكلفة إنشاء بيانات التدريب. لذلك يدرب PPAPlace نموذجه على تسميات مستخرجة من هذه المرحلة، بدلاً من استخدام مؤشرات أبكر وأكثر بعداً عن النتيجة النهائية.
كيف يعمل PPAPlace؟
يعتمد النموذج على مسارين متكاملين: شبكة انتباه رسومية تحلل netlist الخاصة بالتصميم، والتفاف مكاني يتعامل مع شبكة مواضع العناصر على مستوى placement grid. ويتنبأ النموذج بقيم WNS وTNS، ثم يمرر تدرجات هذه التنبؤات إلى إحداثيات الخلايا بطريقة تفاضلية من طرف إلى طرف.
استخدم الباحثون هذه التدرجات بطريقتين. الأولى هي PPAPlace-CoOpt، حيث يضاف التنبؤ كهدف مشترك داخل حلقة التحسين الخاصة بأداة placement تحليلية. والثانية هي PPAPlace-Refine، التي تطبق تحسيناً لاحقاً على placement لتعديل مواضع الوحدات الكبيرة عبر الانحدار المتدرج المُسقَط.
ما الذي تغير عملياً؟
على خمس دوائر اختبار من مجموعة ChiPBench لم تدخل في التدريب، حقق PPAPlace تحسناً متوسطه 22% في WNS و51% في TNS مقارنة بخط الأساس الهرمي، مع الحفاظ على مؤشرات الطاقة وقابلية التوصيل. والأهم أن الباحثين استخدموا النموذج نفسه من دون إعادة تدريبه لكل دائرة اختبار، وهي نقطة تدعم قابلية نقل النهج بين تصاميم مختلفة ضمن نطاق التجربة.
تظل النتائج مرتبطة بالدوائر الخمس المستخدمة في التقييم وبمرحلة post-global-routing التي اختارها الباحثون لتوليد التسميات. لذلك لا يثبت الملخص وحده أن التحسينات ستتكرر على جميع تدفقات EDA أو العقد التصنيعية. كما أن تفاصيل الكلفة الحسابية، وحجم النموذج، ومدى توفر الكود عملياً تحتاج إلى مراجعة الورقة الأصلية. الورقة من تأليف Chen, Ruogu وJie Han، وهي منشورة كـarXiv preprint برقم arXiv:2608.13790، مع إتاحة الكود وفق الملخص.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.